Multitaperメソッドに慣れていません。そうは言っても、あなたはかなりの質問をしました。私はMSEEの学位を追求して、PSD推定をカバーするコース全体を取りました。このコースでは、リストされたものすべて（Multitaperメソッドを除く）と、サブスペースメソッドも取り上げました。これでさえ主要なアイデアの一部しかカバーしておらず、これらの概念に由来する多くの方法があります。
まず、パワースペクトル密度の推定には、ノンパラメトリックとパラメトリックの2つの主な方法があります。
前もって信号についてほとんど知られていない場合、ノンパラメトリック法が使用されます。通常、パラメトリックモデルよりも計算の複雑さは少ないです。このグループのメソッドは、ピリオドグラムとコレログラムの2つのカテゴリにさらに分けられます。ピリオドグラムは、データを直接変換するため、直接法とも呼ばれます。これらには、サンプルスペクトル、バートレット法、ウェルチ法、ダニエルピリオドグラムが含まれます。コレログラムは、Wiener-Khinchinの定理を活用するため、間接法と呼ばれることもあります。したがって、これらの方法は、自己相関シーケンスの何らかの推定値のフーリエ変換を取得することに基づいています。（相関で使用されるデータサンプルの量が少ないため）高次のラグに関連する分散量が多いため、ウィンドウが使用されます。Blackman-Tukey法は、コレログラム法を一般化します。
パラメトリック法では、通常、パワースペクトル密度の推定値を計算する前に、何らかの信号モデルを想定しています。したがって、信号の知識が事前にわかっていることが前提となります。2つの主要なパラメトリックメソッドカテゴリがあります。自己回帰メソッドとサブスペースメソッドです。
自己回帰法は、信号がホワイトノイズシーケンスによって駆動される自己回帰フィルター（IIRフィルターなど）の出力としてモデル化できることを前提としています。したがって、これらの方法はすべて、IIR係数を解こうとするため、結果のパワースペクトル密度が簡単に計算されます。ただし、モデルの順序（またはタップ数）を決定する必要があります。モデルの次数が小さすぎる場合、スペクトルは非常に滑らかになり、解像度が不足します。モデルの次数が高すぎると、大量の極から誤ったピークが現れ始めます。モデル 'p'のARプロセスによって信号をモデル化できる場合、信号によって駆動される次数> = pのフィルターの出力はホワイトノイズを生成します。モデルの順序選択には数百のメトリックがあります。これらの方法は、高から中程度のSNRの狭帯域信号に優れていることに注意してください。前者は、モデルが大きなノイズで分解し、ARMAプロセスとしてより適切にモデル化されるためです。後者は、結果のモデルのフーリエ変換における極からの結果のスペクトルの衝撃的な性質によるものです。ARメソッドは、線形予測に基づいています。線形予測は、既知の値以外の信号を推定するために使用されます。その結果、サイドローブに悩まされず、ウィンドウイングも不要です。
部分空間法は、信号を信号部分空間とノイズ部分空間に分解します。2つの部分空間間の直交性を利用すると、狭帯域成分の大きなピークが現れる可能性のある擬似スペクトルを形成できます。これらの方法は、低SNR環境で非常にうまく機能しますが、計算が非常に高価です。それらは、ノイズ部分空間法と信号部分空間法の2つのカテゴリに分類できます。
両方のカテゴリは、自己相関行列の固有値分解またはデータ行列の特異値分解の2つの方法のいずれかで利用できます。
ノイズ部分空間法は、1つ以上のノイズ部分空間固有ベクトルを解こうとします。次に、ノイズ部分空間と信号部分空間の直交性により、結果のスペクトル推定の分母にゼロが生成され、真の信号成分に大きな値またはスパイクが生じます。離散正弦波の数、または信号の部分空間のランクは、事前に決定/推定するか、既知である必要があります。
信号部分空間法は、スペクトル推定の前にノイズ部分空間の破棄を試み、SNRを改善します。縮約ランク自己相関行列は、信号部分空間に属すると決定された固有ベクトルのみで形成され（再び、モデル次数問題）、縮約ランク行列は他の方法のいずれかで使用されます。
次に、リストをすばやくカバーするようにします。
バーグ法を使用したPSD：Burgメソッドは、前方および後方の線形予測誤差の平均を最小化することにより反射係数を推定するという点で、Yule-Walkerメソッドとは少し異なる方法でレビンソン再帰を活用します。これにより、前方および後方線形予測誤差の偏相関係数の調和平均が得られます。すべての自己回帰法と同様に、既知のデータレコードの外側で線形予測を使用して信号を推定するため、非常に高い解像度の推定値を生成します。これにより、すべてのサイドローブ現象が効果的に除去されます。短いデータレコードのYWメソッドよりも優れており、重み係数が分割されるため、バイアス付き自己バイアス推定値とバイアスなし自己相関推定値を利用することのトレードオフもなくなります。欠点の1つは、スペクトル線分割を示す可能性があることです。加えて、すべてのARメソッドが持つ同じ問題に苦しんでいます。つまり、低から中程度のSNRは、ARプロセスではなく、ARMAプロセスによって適切にモデル化されないため、パフォーマンスを大幅に低下させます。通常、ARMAメソッドは、移動平均パラメーターに関して非線形の方程式のセットになるため、ほとんど使用されません。
共分散法を使用したPSD：共分散法は、最小二乗法の特殊なケースであり、線形予測誤差のウィンドウ部分は破棄されます。これはバーグ法よりも優れたパフォーマンスを発揮しますが、YW法とは異なり、解くべき行列の逆行列は一般にエルミートテプリッツではなく、2つのテプリッツ行列の積です。したがって、レビンソン再帰を使用して係数を解くことはできません。さらに、この方法で生成されたフィルターは安定しているとは限りません。ただし、スペクトル推定ではこれは良いことであり、結果として正弦波成分のピークが非常に大きくなります。
ピリオドグラムを使用したPSD：これは最悪の推定量の1つであり、単一のセグメント、長方形または三角形のウィンドウ（どの自己相関推定を使用するか、バイアスまたはバイアスなし）、オーバーラップなしのウェルチ法の特殊なケースです。ただし、それは計算上「最も安い」ものの1つです。結果の分散は非常に大きくなる可能性があります。
修正共分散法を使用したPSD：これにより、共分散法とバーグ法の両方が改善されます。これは、バーグ法が反射係数に関する平均前方/後方線形予測誤差のみを最小化するバーグ法と比較することができ、MC方法はすべてのAR係数に関してそれを最小化します。さらに、スペクトル線分割の影響を受けず、前述の方法よりも歪みがはるかに少なくなります。さらに、安定したIIRフィルターを保証するものではありませんが、ラティスフィルターの実現は安定しています。他の2つの方法よりも計算負荷が高くなります。
ウェルチ法を使用したPSD：ウェルチ法は、真のPSD公式に存在するアンサンブル平均化の欠如に対処することにより、ピリオドグラムを改善します。オーバーラップとウィンドウ処理を使用して擬似アンサンブル平均のより多くのPSD「サンプル」を提供することにより、Barlettの方法を一般化します。アプリケーションによっては、安価で効果的な方法です。ただし、正弦波の間隔が狭い場合は、AR法の方が適している場合があります。ただし、ARメソッドのようにモデルの次数を推定する必要はないため、スペクトルについて先験的にほとんどわかっていない場合は、優れた開始点になります。
Yule-Walker AR法を使用したPSD：これは、完全な誤差残差が利用される最小二乗法の特殊なケースです。これにより、共分散法と比較してパフォーマンスが低下しますが、レビンソン再帰を使用して効率的に解決できます。自己相関法とも呼ばれます。
短時間フーリエ変換を使用したスペクトログラム：これで、別のドメインに移行しています。これは時変スペクトルに使用されます。つまり、時間とともにスペクトルが変化するものです。これは、他のワームの缶全体を開き、時間周波数分析のためにリストしたのと同じ数の方法があります。これは確かに最も安価であるため、頻繁に使用されています。
スペクトル推定：これは方法ではなく、投稿の残りの包括的な用語です。ピリオドグラムは、「サンプルスペクトル」または「シュスターピリオドグラム」と呼ばれることもありますが、前者はあなたが参照しているものです。
興味があれば、MUSICやPisarenko Harmonic Decompositionなどの部分空間法も検討できます。これらは、信号を信号部分空間とノイズ部分空間に分解し、ノイズ部分空間と信号部分空間固有ベクトル間の直交性を利用して、擬似スペクトルを生成します。ARメソッドと同様に、パワーが保存されていない可能性が高く、スペクトル成分間の振幅が相対的であるという点で、「真の」PSD推定値を取得できない場合があります。ただし、すべてはアプリケーションに依存します。
乾杯